초해상도(Super-Resolution, SR)는 저해상도 이미지로부터 고해상도 이미지를 재구성하는 기술이다. CNN과 윈도우-어텐션(attention) 기반 방법은 전통적인 SR 모델의 두 주요 범주이다. 그러나 이러한 기법들은 구조적으로 유연성이 부족하다. 즉, 각 픽셀이 동일한 수의 근접 픽셀을 수집하는 방식으로 처리되기 때문에, SR 작업에서의 성능을 제한한다. 본 연구에서는 그래프의 유연성을 활용하여 이와 같은 구조적 제약을 극복하고자 한다. 이를 위해 이미지 처리를 위한 그래프 신경망(Image Processing GNN, IPG) 모델을 제안한다. 먼저, SR 작업은 비균형적이다. 대부분의 재구성 작업이 세부 정보가 풍부한 이미지의 소수 영역에 집중되기 때문이다. 따라서 세부 정보가 풍부한 이미지 노드에 더 높은 노드 차수(degree)를 부여함으로써 차수 유연성을 활용한다. 다음으로, SR에 효과적인 정보 집약을 위해 이미지를 패치 노드가 아닌 픽셀 노드 집합으로 간주한다. 마지막으로, SR 성능을 위해 국소적 정보와 전역적 정보 모두가 필수적임을 인지하고, 유연한 그래프를 통해 국소 및 전역 스케일의 픽셀 정보를 효율적으로 수집하고자 한다. 이를 위해 근접 영역 내에서 노드 간 연결을 탐색하여 국소 그래프를 구성하고, 전체 이미지에 대해 스트라이드 샘플링 공간 내에서 연결을 탐색하여 전역 그래프를 생성한다. 이러한 그래프의 유연성은 IPG 모델의 SR 성능을 크게 향상시킨다. 다양한 데이터셋에 대한 실험 결과는 제안한 IPG 모델이 최신 기준(SOTA) 모델들을 모두 초월함을 보여준다. 코드는 다음 주소에서 공개되어 있다: https://github.com/huawei-noah/Efficient-Computing/tree/master/LowLevel/IPG.